利用大语言模型实现模拟版图自动化
引言
模拟版图自动化是集成电路设计中的具有挑战性的任务。传统方法通常依赖于专门的工具或人工干预,限制了可扩展性和灵活性。然而,人工智能特别是大型语言模型(LLMs)的最新进展为模拟版图设计自动化开辟了新的可能性。本文介绍了GLayout,这是一个创新框架,结合了LLMs的强大功能和一种新颖的版图描述语言,以简化模拟版图设计过程[1]。
GLayout的核心理念是将人类语言提示转换为模拟版图的紧凑、富有表现力的文本表示。这种表示称为"严格语法",作为自然语言指令和最终版图实现之间的中间步骤。通过利用LLMs来理解和生成这种严格语法,GLayout使设计者能够使用直观的高级描述创建复杂的模拟版图。
图1:从用户输入到最终版图生成的GLayout完整工作流程。
GLayout框架由几个关键组件组成
1. 大型语言模型: LLM作为系统的"大脑",解释用户提示并生成适当的严格语法命令。通过结合微调和使用检索增强生成(RAG)的上下文学习,学习理解版图策略和模拟设计术语。
2. 严格语法命令语言 :这种中间表示捕捉版图拓扑结构,同时省略低级细节。包括创建参数、放置组件、移动模块和路由连接的命令。
3. Python API: GLayout引擎建立在Python API之上,与GDSFactory工具接口进行版图操作。此API提供了一个参数化单元(pcells)库,并通过MappedPDK类支持与技术无关的设计。
4. 编译流程: 严格语法命令被解析并编译成可执行的Python代码,然后可以为任何给定的工艺设计套件(PDK)生成最终版图。
图2:演示了GLayout如何使用PDK实例化版图元素,确保跨不同技术的可移植性。
GLayout的特点
GLayout的主要优势是能够通过抽象处理PDK特定的细节。MappedPDK类将特定工艺的规则和层映射到通用标识符,使得可以跨不同技术创建可重用的版图生成器。这种抽象简化了设计过程,使设计者能够专注于高级版图策略,而不是低级实现细节。
GLayout的LLM组件在模拟版图示例数据集上进行训练,每个示例包括用户提示和相应的严格语法输出。在训练过程中,模型学习将自然语言表达的设计意图与适当的版图命令关联起来。这个训练过程包括对严格语法输出进行微调,并在推理过程中利用RAG提供相关的模拟设计信息。
图3:对LLM进行测试的评估对。数字表示该设计通过的任务数。如果代码编译通过,并且版图通过DRC和LVS,则设计得分为3。
为了评估GLayout的有效性,作者使用不同大小的LLM进行了测试:3.8亿、70亿和220亿参数。评估集包括从简单的差分对到更复杂的结构,如积分器和强臂锁存器等一系列模拟线路。结果显示,模型大小与性能之间存在明显的相关性,较大的模型通常能产生更准确和复杂的版图。
图4:按步骤(训练示例)的微调损失与评估损失。在1-2个周期后,所有模型在训练数据上过度拟合,导致通用性和评估数据上的性能下降。
GLayout最令人印象深刻的方面之一是能够用最少的训练数据为未见过的线路生成有效的版图。系统仅使用不到50个独特的示例线路,在单个GPU上训练2小时,就实现了未见过的4晶体管示例的DRC和LVS有效版图。这种效率展示了基于LLM方法在扩展到更大和更复杂的模拟版图方面的潜力。
图5:LLM的弱点总结和线路比较示例。
GLayout显示出令人鼓舞的结果,但值得注意的是当前存在一些限制。系统在处理大于四个器件的示例时存在困难,这可能是由于更复杂线路的训练数据有限。此外,对称放置问题对LLM来说可能难以一致地解决。
尽管存在这些挑战,GLayout展示了令人印象深刻的推理能力。例如,当被提示修改电流镜设计时,LLM可以根据用户要求智能地调整版图,如通过移除井连接环和虚拟晶体管来减少面积,或添加第二个参考晶体管。
图6:根据新请求修改电流镜,红圈表示错误,展示了LLM根据新的用户需求推理和修改现有版图的能力。
结语
GLayout的开源性质,包括其模型、框架和评估集,为未来在模拟版图自动化方面的研究和开发提供了优秀的基础。随着LLMs的不断改进和更大数据集的可用,可以期待更强大和灵活的版图自动化工具的出现。
GLayout利用LLMs的强大功能来弥合人类设计意图和低级版图实现之间的差距。通过将自然语言处理与模拟设计的领域特定知识相结合,GLayout为自动化复杂版图任务提供了可扩展和直观的方法。
参考文献
[1] Hammoud et al., “Human Language to Analog Layout Using GLayout Layout Automation Framework,” in 2024 ACM/IEEE International Symposium on Machine Learning for CAD (MLCAD '24), Salt Lake City, UT, USA, 2024, pp. 1-7, doi: 10.1145/3670474.3685971.
如何学习大模型
现在社会上大模型越来越普及了,已经有很多人都想往这里面扎,但是却找不到适合的方法去学习。
作为一名资深码农,初入大模型时也吃了很多亏,踩了无数坑。现在我想把我的经验和知识分享给你们,帮助你们学习AI大模型,能够解决你们学习中的困难。
下面这些都是我当初辛苦整理和花钱购买的资料,现在我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习,等录播视频免费分享出来
,需要的小伙伴可以扫取。
一、AGI大模型系统学习路线
很多人学习大模型的时候没有方向,东学一点西学一点,像只无头苍蝇乱撞,我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。
二、AI大模型视频教程
三、AI大模型各大学习书籍
四、AI大模型各大场景实战案例
五、结束语
学习AI大模型是当前科技发展的趋势,它不仅能够为我们提供更多的机会和挑战,还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型,我们可以深入了解深度学习、神经网络等核心概念,并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时,掌握AI大模型还能够为我们的职业发展增添竞争力,成为未来技术领域的领导者。
再者,学习AI大模型也能为我们自己创造更多的价值,提供更多的岗位以及副业创收,让自己的生活更上一层楼。
因此,学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。